NEJM AI | 未来医学人工智能模型的演进讨论

完美体育·(中国)官方网站

近日，来自清华大学的黄天荫教授、马维英教授、李京山教授、刘洋教授、钱静副教授、马为之助理研究员联合新加坡国立大学覃宇宗Yih Chung Tham助理教授、上海交通大学盛斌教授、英国伯明翰大学Xiaoxuan Liu研究员、美国洛杉矶西达赛奈医学中心David Ouyang教授、中山大学第一附属医院王海波教授、奥地利维也纳医科大学Atanas G. Atanasov首席研究员、英国伦敦大学学院Pearse A. Keane教授等国内外多位知名学者，于《NEJM AI》发表了题为《Evolution of Future Medical AI Models — From Task-Specific, Disease-Centric to Universal Health》的观点文章。该文章围绕医学人工智能模型的演进方向和关键技术开展讨论，提出了通用医学人工智能（UMAI）和通用健康人工智能（UHAI）的概念，并总结了其中的关键挑战和技术路径。

论文摘要

医学人工智能（MAI）已从传统机器学习发展到深度学习，从监督学习发展到无监督学习范式。近年来，模型的研究重点已经从以特定任务、疾病为中心的专用模型转向通用医学人工智能（GMAI）。然而，这些新的人工智能模型和算法在走向临床的过程中仍面临一系列挑战。因此，本文提出了两个新的医学人工智能范式：通用医学人工智能（UMAI）和通用健康人工智能（UHAI）。UMAI与GMAI的区别主要在于，UMAI模型能够模拟临床实践中的人类智能，特别是医生的同理心和直觉。UHAI模型则进一步扩展了UMAI模型的应用场景，不再局限于疾病治疗，而是涵盖了健康保持和疾病预防，从单纯的依赖传统临床数据转变为整合更广泛的非临床数据，从而实现对人类健康和疾病起源的全面理解。此外，本文概述了从GMAI到UMAI以及UHAI的主要研究挑战和可行路径，从而让医学人工智能技术更能满足患者、医生和社会的需求。

正文简介

医学人工智能作为重要的交叉学科研究方向，在近年来受到了来自学术界和产业界的广泛关注。随着人工智能技术的快速发展，医学人工智能模型也正从任务特定模型转变为具备更强通用能力的多模态模型（GMAI）。然而，现有医学人工智能技术仍面临着至少来自以下三方面的挑战：1）当前模型未能学习整合基于临床训练积累的“人类智能”；2）当前模型更关注疾病状态的治疗，但忽略了从健康到疾病的演变过程应用；3）当前模型依赖从发达国家收集的数据，忽略了缺少数据的发展中国家的医学问题。

鉴于上述挑战，本文提出了两个新的医学人工智能范式：通用医学人工智能（UMAI）和通用健康人工智能（UHAI）。它们与现有的MAI、GMAI等概念的对比如表格1所示。

UMAI和UHAI的主要特点如下：1）融合人类临床经验。UMAI模型关注如何将人类在于临床实践中积累的经验和智慧结合到模型，特别是同理心和直觉，从而克服数据归纳、效率和价值观对齐等方面的挑战；2）整合临床外健康数据。UHAI在UMAI的基础上进一步扩展了模型的应用场景，考虑了更多非传统来源的临床外的健康数据来全面理解个人的健康和行为，从而促进更积极、主动的个性化医疗保健。

随后，文章介绍了针对UMAI和UHAI实现方式开展了讨论，整体的技术路线和对比如图1所示，关键的技术内容包括：

健康数据整合与对齐：医疗数据和非临床健康数据的融合理解对于提升医学人工智能模型能力至关重要，因此需要探索合适的解决方法。这里既涉及如何对异质、多模态的健康数据进行融合，也涉及如何实现复杂数据的对齐。特别是在UMAI到UHAI的过程中，IoT设备、可穿戴智能设备等对于非临床健康数据的采集同样非常重要，特别是在数据缺少的发展中国家。

人类价值观对齐：因为健康医疗场景本身的复杂性和特殊性，除了像通用人工智能技术的应用场景一样需要开发模型与人类价值观的对齐方式，医学人工智能还依赖于医学情境下的价值观对齐和训练。

医疗暗知识注入：UMAI模型需要学习人类的临床经验，特别是同理心和直觉判断能力，以模仿学习为代表的强化学习技术能够一定程度上模拟人类的决策过程，但是还需要进一步提升模型的推理和决策能力，大模型的思维链和思维树技术将有助于这方面的能力改进。

医疗多智能体协作：会诊是人类医生在应对复杂医学任务时会采用的解决方案，为了进一步提升对于患者/疾病的整体理解，医学人工智能模型也应该具备类似的协作和集体决策能力，因此，构造合适的医疗多智能体协作策略将有效提升UHAI的各方面能力。

强有力的基础模型：当前，以大语言模型为代表的基础模型已成为处理不同任务的核心，正在取代传统的架构。未来，针对医学人工智能各方面需求而量身定制的基础模型及架构将可能带来快速的整体技术进步。

尽管医学人工智能在近些年来取得了很多进展，但是在转化、应用等方面仍存在一系列的问题，本文提出了UMAI和UHAI作为创新的模型范式来试图弥补这些不足。它们将隐性知识和非临床健康数据结合，有希望实现对健康的全面理解。通过学习医疗保健人员的临床经验，这些新范式有望构造更全面的医学人工智能模型来应对医疗保健领域的众多挑战。

原文链接：https://ai.nejm.org/doi/full/10.1056/AIp2400289